随机神经网络动态模型的正式控制综合
系统与控制
2022-03-22 v3 系统与控制
摘要
神经网络(NNs)正成为表征具有复杂物理或黑箱组件的控制系统动力的强大工具。然而，由于NN的复杂性，现有方法无法为NN动态模型(NNDMs)综合带保证的复杂行为。本工作引入一种针对随机NNDMs且具有性能保证的控制综合框架。重点在于有限轨迹上解释的线性时序逻辑(LTLf)表达的规范，且方法基于有限抽象。具体而言，我们利用近期NN凸松弛技术将NNDM正式抽象为区间马尔可夫决策过程(IMDP)。然后，在IMDP上综合最大化满足给定规范概率的策略，并映射回底层NNDM。我们表明将NNDMs抽象为IMDPs的过程可归约为一组凸优化问题，从而 guarantee 效率。我们还提出一种自适应细化程序使框架可扩展。在多个案例研究中，我们阐明我们的框架能够为具有多达5个隐藏层且每层数百神经元的架构的NNDMs提供非平凡的正确性保证。
引用
@article{arxiv.2203.05903,
title = {Formal Control Synthesis for Stochastic Neural Network Dynamic Models},
author = {Steven Adams and Morteza Lahijanian and Luca Laurenti},
journal= {arXiv preprint arXiv:2203.05903},
year = {2022}
}